Launch HN: Discovered Materials (YC P26) – AI agents to discover new materials

ฟังทางนี้ก่อน — ถ้าคุณคิดว่า AI แค่เขียนโค้ดหรือวาดรูปได้ ก็ต้องคิดใหม่แล้ว เพราะตอนนี้มันกำลังจะเข้าไปยุ่งกับวงการที่อนุรักษ์นิยมที่สุดในโลกอย่าง "วงการเซมิคอนดักเตอร์" และมันกำลังจะเปลี่ยนเกมครั้งใหญ่

สตาร์ทอัพหน้าใหม่ชื่อ Discovered Materials จาก Y Combinator รุ่น P26 เปิดตัวบน Hacker News พร้อมคำกล่าวอ้างที่ฟังดูบ้าบิ่นสุด ๆ — พวกเขาบอกว่า AI agent ของตัวเองสามารถ "ค้นพบวัสดุใหม่" สำหรับอุตสาหกรรมชิปได้จริง และที่สำคัญ ผลงานที่ทำได้ใน 3 เดือน เทียบเท่ากับสิ่งที่บริษัทเคมียักษ์ใหญ่ระดับโลกใช้เวลาคุ้มครองเป็นความลับทางการค้ามานานกว่า 2 ทศวรรษ

เรื่องนี้ต้องย้อนไปที่ปัญหาใหญ่ของวงการ GPU ในตอนนี้ นั่นคือ "ความร้อน" เพื่อนๆ รู้ไหมว่า Nvidia และ AMD กำลังเพิ่มค่า TDP (Thermal Design Power) แทบจะเท่าตัวในทุกเจเนอเรชันของชิปที่ปล่อยออกมา — H100 ที่ออกในปี 2022 มี TDP 700 วัตต์, Blackwell ปี 2024 ทะยานไป 1.2 กิโลวัตต์ และ Rubin ที่จะมาในปี 2026 ปล่อยความร้อนสูงถึง 2.3 กิโลวัตต์ แนวโน้มนี้ไม่มีทีท่าจะหยุด และนี่คือเหตุผลหลักที่ datacenter สมัยนี้กินไฟและน้ำมหาศาล เพราะต้องใช้ทรัพยากรเหล่านั้นเพื่อทำให้ชิปเย็นลงระหว่างทำงาน

ทีนี้ ประเด็นมันอยู่ที่ว่า "วัสดุ" ที่ใช้ทำชิปคือตัวกำหนดทั้งความร้อนที่เกิดขึ้นและความสามารถในการระบายความร้อน ยกตัวอย่างง่ายๆ — ถ้าเราสามารถแพ็กชิปแบบ 3D ได้ (วาง HBM memory stacks ไว้บน logic chip โดยตรงแทนที่จะวางเคียงข้างกันบนแผงวงจร 2D) เราจะลดพลังงานต่อบิตที่ใช้ย้ายข้อมูลระหว่าง logic และ memory ได้ถึง 10-50 เท่า แต่ปัญหาคือตอนนี้เราทำไม่ได้ เพราะวัสดุ dielectric ที่ใช้ใน HBM อย่าง SiO2 นั้นเป็นตัวนำความร้อนที่แย่มาก มันดักความร้อนไว้ระหว่าง logic กับ memory ทำให้อุณหภูมิพุ่งสูงจนใช้งานไม่ได้

ยังไม่นับวัสดุอื่นๆ ใน GPU ที่กำลังถูกประเมินใหม่ในตอนนี้ เช่น thermal interface materials (TIMs) และ substrates — นี่คือจุดที่ Discovered Materials กำลังจ้องจะกิน

แต่เดี๋ยวก่อน ฟังให้ดี — การจะเอาวัสดุใหม่เข้าไปใช้ในโรงงานผลิตชิป (fab) ต้องใช้เวลาหลายปีและเงินอีกหลายร้อยล้านดอลลาร์ นี่คือสิ่งที่วงการเรียกว่า "lab-to-fab valley of death" หรือหุบเขาแห่งความตายระหว่างห้องแล็บกับโรงงานผลิต ซึ่งเป็นอุปสรรคที่คร่าชีวิตนวัตกรรมมาแล้วนับไม่ถ้วน

สตาร์ทอัพนี้มองโลกในแง่ดีว่าว AI agent จะช่วยลดทั้งเวลาและต้นทุนตรงนี้ลงได้ พวกเขาทดสอบโมเดลจาก Anthropic, OpenAI และ Kimi ทั้งหมด 7 โมเดล แล้วพบว่าทุกตัวสามารถค้นพบวัสดุใหม่ที่มีความเสถียรแบบไดนามิกและมีคุณสมบัติที่น่าสนใจได้จริง — นี่คือจุดที่น่าสนใจ เพราะโดยปกติแล้วงานแบบนี้ต้องใช้เวลา PhD student หลายสัปดาห์ แต่โมเดลเหล่านี้ทำเสร็จในการรัน 8 ชั่วโมงเท่านั้น

แต่เดี๋ยวก่อน อย่าเพิ่งตื่นเต้นไป — การค้นพบในเชิงคำนวณคือ "ส่วนง่าย" เพราะการค้นพบวัสดุจะมีความหมายก็ต่อเมื่อมันถูกผลิตและทดสอบในห้องแล็บจริงได้ ตัวอย่างที่เห็นชัดคือ graphene คุณสมบัติของมันถูกทำนายไว้ตั้งแต่ปี 1947 แต่กว่าจะผลิตได้จริงครั้งแรกก็ปาเข้าไปปี 2004

โมเดล AI ในปัจจุบันยังไม่เก่งเรื่องการคิดสูตรการสังเคราะห์ (synthesis recipes) เพื่อผลิตวัสดุในห้องแล็บ ต่อให้มันเก่งขึ้นมา เราก็ยังไม่แน่ใจว่ามันจะช่วยได้มากแค่ไหน เพราะการผลิตวัสดุใหม่เป็นกระบวนการเชิงประจักษ์ที่ต้องลองผิดลองถูกผ่านการทดลองหลายรอบ แม้แต่ผู้เชี่ยวชาญมนุษย์เองก็ทำแบบ "ช็อตเดียวจบ" ไม่ได้ แต่สิ่งที่คาดหวังได้คือโมเดลที่เก่งมากจะช่วยลดจำนวนรอบการทดลองที่ต้องทำลง

และนี่คือจุดที่ทำให้เรื่องนี้ไม่ใช่แค่การตลาด — ในช่วง 3 เดือนของ YC batch พวกเขาอ้างว่าจำลอง สังเคราะห์ และทดสอบ TIMs ที่มีประสิทธิภาพเทียบเท่ากับสิ่งที่บริษัทเคมียักษ์ใหญ่ที่สุดในโลกเก็บเป็นความลับทางการค้ามานานกว่า 20 ปี นี่ไม่ใช่เรื่องเล็กๆ เพราะ TIMs คือวัสดุที่ใช้ระบายความร้อนระหว่างชิปกับฮีตซิงก์ เป็นของที่ทุกบริษัทชิปต้องการแต่ไม่มีใครอยากเปิดเผยสูตร

พวกเขาปล่อยข้อมูลวัสดุใหม่หลายร้อยรายการที่ค้นพบโดย AI โมเดลระดับแนวหน้า รวมถึง benchmark สำหรับวัดความสามารถของโมเดลในการค้นพบวัสดุ ซึ่งรวมถึงพฤติกรรมแปลกๆ ที่พบ เช่น Claude มีแนวโน้มที่จะ reward hack หรือ GPT-5.6 ที่บางครั้ง "เพี้ยน" หลังจากประมวลผลไป 50 ล้านโทเคน

โมเดลธุรกิจของพวกเขามีสองทาง — ทางแรกคือลิขสิทธิ์และขาย IP บนวัสดุที่ค้นพบ รวมถึง IP ว่าด้วยวิธีการผลิต ทางที่สองคือขาย "ชุดเครื่องมือและฮาร์เนส" ที่ใช้ค้นพบวัสดุให้กับบริษัทเซมิคอนดักเตอร์และเคมีภัณฑ์ เพื่อให้พวกเขาค้นพบวัสดุได้ด้วยตัวเอง ตอนนี้พวกเขาโน้มเอียงไปทางหลังก่อน แต่คาดว่าระยะยาวจะทำทั้งสองอย่าง

เบื้องหลังของทีม — Akash จบ PhD ด้าน Material Science จาก Stanford ใช้เวลา 11 ปีศึกษาวัสดุใหม่สำหรับชิปเซมิคอนดักเตอร์ งานของเขาเรื่อง nanoscale interconnects เป็นบทความที่ได้รับความนิยมสูงสุดของ Stanford Engineering ในปี 2025 ส่วน Advaith เรียน AI ที่ Carnegie Mellon เคยเป็น research engineer สร้างวิดีโอโมเดลและ agent ที่ Persona AI (ถูกซื้อกิจการ) และ Luma Labs

ความเห็นส่วนตัวผม — วงการนี้เป็นวงการที่ "ปิด" มาก ข้อมูลส่วนใหญ่เป็นความลับทางการค้า การที่สตาร์ทอัพเล็กๆ กล้าออกมาพูดแบบนี้ แปลว่าพวกเขามีของจริงในมือพอสมควร หรือไม่ก็กำลังบลัฟอย่างหนัก แต่จากที่เห็นผลงานและโปรไฟล์ทีม ผมว่าเรื่องนี้มีน้ำหนักมากกว่าที่คิด

สิ่งที่น่าจับตาคือ ถ้า AI ค้นพบวัสดุใหม่ได้จริงในระดับที่เทียบเท่าคนเก่งๆ ที่ทำงานกันเป็นเดือนๆ นี่จะเป็นการลดต้นทุนการวิจัยและพัฒนาวัสดุลงอย่างมีนัยสำคัญ และจะทำให้วงการชิปที่เคยเป็น "เกมของคนรวย" เปิดกว้างขึ้น — แต่ก็ต้องระวังด้วยว่า "หุบเขาแห่งความตาย" ระหว่างห้องแล็บกับโรงงานผลิตยังคงอยู่ และไม่มี AI ตัวไหนที่จะข้ามมันไปได้โดยไม่เผาตัวเอง

วงการนี้กำลังเปลี่ยน และมันกำลังเปลี่ยนเร็ว — คำถามคือใครจะปรับตัวทันก่อน